Customer Lifetime Value – Mit Data Science den wahren Wert der Kunden erkennen.

Darstellung der Verbindung aus Data Science und Customer Lifetime Value

Die digitale Transformation führte in den letzten Jahren dazu, dass Kunden immer mehr in den Fokus der Unternehmen rückten. Ein wichtiger Auslöser dafür war, dass immer mehr Daten über Kunden, deren Verhalten und historische Transaktionen verfügbar wurden. Dies führte zu einer Aufwertung beziehungsweise Neubewertung von Data Science und den damit verbundenen Möglichkeiten der Kundenwertbestimmung. Der Customer Lifetime Value (CLV) oder der „Kundenlebenswert“ ist in diesem Zusammenhang ein wichtiges Konzept, das im Prinzip für jedes Unternehmen relevant ist.

Die entscheidenden Fragen, die sich aus einer Data-Science-Perspektive stellen: Lässt sich der CLV berechnen? Und wenn ja, wie, und welche Folgen leiten sich aus seiner Berechnung ab? Da es viele verschiedene Modelle und Methoden zur Berechnung des CLV gibt, ist es wichtig, den praktischen Nutzen für das jeweilige Unternehmen nicht aus den Augen zu verlieren. Der Nutzen solcher Modelle steht und fällt mit der Vorhersagekraft, ob und wie oft ein Kunde erneut ein Produkt kauft oder einen Service erneut in Anspruch nimmt. Insbesondere durch Predictive Analytics werden die Möglichkeiten erweitert und neue Grundlagen für das Marketing geschaffen.

Kurz erklärt: Das Konzept des Kundenwerts und der „Customer Lifetime Value“

Die Berechnung des Customer Lifetime Values ist eine der wichtigsten Einheiten bei der Bewertung von Unternehmen und bei der strategischen Planung. Der CLV hat als zentrales, wertorientiertes Steuerungsinstrument konkrete Auswirkungen in den Bereichen Marketing und Kundenmanagement aber auch in der Produktneuentwicklung und der strategischen Planung. Umso wichtiger ist es, sich kurz die Bedeutung des „Kundenwerts“ zu vergegenwärtigen: Der Wert eines Kunden für ein Unternehmen entspricht beim Customer Lifetime Value allen Käufen, Interaktionen und Transaktionen, die ein Kunde im Laufe der gemeinsamen Geschäftsbeziehung mit einem Unternehmen gemacht hat und voraussichtlich noch machen wird.

Eines der zentralen Ergebnisse der Berechnung des CLV ist die Klassifikation der Kunden in „nicht-profitable Kunden“, „profitable Kunden“ und „sehr profitable Kunden“.

Bildquelle: https://blog.kissmetrics.com/reinvent-the-customer-experience/

Bei der Berechnung des Kundenlebenswerts gibt es jedoch eine prinzipielle Schwierigkeit: Nicht jeder Kunde ist für ein Unternehmen gleichermaßen profitabel. Beispielsweise reicht das allgemein formulierte Ziel, eine lange Kundendauer anzustreben, allein nicht aus. Bekommt ein Kunde jedes Jahr den teuren Unternehmenskatalog zugeschickt, kauft aber nur alle 5 Jahre etwas – im schlimmsten Fall vielleicht sogar nicht direkt, sondern bei einem Zwischenhändler – verursacht er nur Kosten. Ein auf Data Science basierendes Verständnis des Customer Lifetime Values begegnet Schwierigkeiten wie diesen, weil bei der Berechnung zahlreiche Faktoren einfließen.

Die Steigerung des Customer Lifetime Value mit Churn Prediction beziehungsweise Churn Prevention

Obwohl der CLV auf vorhandenen Daten, also in der Regel bereits getätigten Käufen, basiert, ist er zu einem guten Stück weit ein fiktiver Wert, da er auch zukünftiges Verhalten vorausberechnet und als gegeben annimmt. Umso wichtiger ist es, sich um dieses zukünftige Kundenverhalten zu kümmern. Nur so kann der prognostizierte Customer Lifetime Value tatsächlich realisiert werden. Konkret bedeutet dies, einmal gewonnene Kunden mit hohem Potenzial auf lange Sicht zu halten. Um Kunden zu halten und die Beziehungsdauer zu erhöhen, können beispielsweise Modelle zur Berechnung der Wahrscheinlichkeit eines Markenwechsels angewandt werden.

Mit Churn Prediction und Churn Prevention – Methoden, um die Abwanderung von Kunden zu prognostizieren und zu verhindern – können damit die Werte des CLV insgesamt verbessert werden. Je nachdem, ob im Rahmen der Klassifikation des CLV ein Kunde als profitabel oder nicht-profitabel bestimmt wurde, können Bestandskunden durch die Ermittlung der Wechselwahrscheinlichkeit gezielt angesprochen werden. Sagt beispielsweise ein Churn-Prediction-Algorithmus vorher, wann ein profitabler Vertragskunde wahrscheinlich vorhat, seinen Handyvertrag zu wechseln, kann ihm ein Angebot gemacht werden, das ihn vom Wechsel abhält. Um zu verhindern, dass Kunden wechseln oder abspringen ist es jedoch wichtig, die Wechselursachen genau zu identifizieren. Je genauer diese bestimmt werden, desto gezielter können Marketinginstrumente auf die Ursachen abgestimmt werden.

Wert vs. Kosten: Der CLV und die Kosten-Nutzen-Kalkulation bei der Berechnung des Kundenlebenswerts

Kundenbindung ist ein entscheidender Faktor bei der Bemessung des Kundenlebenswerts. Insbesondere die profitablen Bestandskunden sorgen für wiederholte Umsätze bei vergleichsweise niedrigen Investitionskosten. Demgegenüber sind die Kosten für die Akquisition eines Neukunden (Customer Acquisition Costs) sehr viel höher. Entscheidungen, ob und wieviel im Marketing investiert wird, beruhen oft auf der Berechnung dieser Kosten und der Frage danach, inwiefern sich diese Kosten lohnen. Aus diesen Überlegungen ist die Verbesserung des Return on Investment (RoI), die Reduktion von Kosten im Marketing oder die Optimierung von Marketingmaßnahmen die direkte Folge.

In den letzten Jahren kam es zu einer Neubewertung des CLV. Zwar bleiben die Customer Acquisition Costs ein wichtiger Bestandteil bei der Berechnung des Customer Lifetime Values. Jedoch übernimmt in daten-getriebenen Unternehmen der Kundenlebenswert zunehmend die entscheidende Rolle, beispielsweise im Marketing oder der Produktentwicklung.

So führt die Kundenlebenswertberechnung zum unternehmerischen Erfolg

Das übergeordnete Ziel, das hinter der Berechnung des Customer Lifetime Value steht, ist die Steigerung der Kundenzufriedenheit, um somit langfristig den Erfolg eines Unternehmens zu sichern. Daher werden zahlreiche Faktoren in die Berechnung des Kundenlebenswerts mit einbezogen. Dazu gehören sowohl monetäre als auch nicht-monetäre Aspekte. Ob ein Autokunde nach 10 Jahren erneut ein Auto derselben Marke kauft, hängt stark von der Zufriedenheit mit den Services und den zwischenzeitlich erfolgten Kontakten mit der Marke ab.

Der ökonomische Erfolg eines Unternehmens – und gleichzeitig der Customer Lifetime Value – bemisst sich an Wiederkauf, Up-Selling, Cross-Selling und Weiterempfehlungen. Mit Data Science, wie beispielsweise mit Algorithmen zur Vorhersage von zukünftigen Kundenverhalten, lässt sich dieser Wert nicht nur bestimmen, sondern überhaupt realisieren und langfristig erhöhen. Data Science Services liefern damit neue Grundlagen für das Marketing, die Strategieentwicklung aber auch den Wert eines Unternehmens insgesamt.

Sie wünschen sich noch mehr Orientierung im Bereich Data Science? Melden Sie sich für unseren kostenlosen Newsletter an.

Newsletter
 

Tags

top